Paulo César De Almeida Júnior
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Paulo César De Almeida Júnior has a total of 7 co-authors. Here are the top co-authors by number of shared publications:
- Adonias Caetano de Oliveira
Instituto Federal do Ceará
2 shared publications - Maria Auxiliadora de Oliveira Chaves
Instituto Federal do Ceará
2 shared publications - Daniel Lima Sousa
Programa de Pós-Graduação em Biotecnologia (PPGBiotec), Universidade Federal do Delta do Parnaíba, Parnaíba, Brazil
1 shared publication - David de Miranda Rodrigues
Instituto Federal do Ceará
1 shared publication - Fransoar Araújo Silva
Instituto Federal do Ceará
1 shared publication - Rhyan De Brito
Federal Institute of Education, Science and Technology of Ceará (Brazil)
1 shared publication
Latest Publications
- Open Access
- 27 February 2026
- Published by Sociedade Brasileira de Computação in Revista Eletrônica de Iniciação Científica em Computação
- Vol. 24, 89-98
Ferramentas educacionais para o ensino de programação no nível médio e em cursos técnicos: uma revisão integrativa
Ensinar programação em contextos educacionais ainda representa um desafio, marcado pela abstração conceitual, pela dificuldade de aplicar teoria na prática e pelo desinteresse dos estudantes. Habilidades como raciocínio lógico, resolução de problemas e pensamento computacional, muitas vezes pouco desenvolvidas nos anos iniciais, intensificam essas dificuldades. Esta revisão integrativa buscou identificar ferramentas e metodologias que favoreçam o ensino e a aprendizagem de algoritmos e programação, oferecendo subsídios para práticas pedagógicas mais eficazes. Foram analisados 1.024 estudos publicados entre 2019 e 2024, dos quais 20 atenderam aos critérios de seleção e apresentaram evidências relevantes. Os resultados indicam que estratégias como gamificação, plataformas interativas e jogos educacionais aumentam o engajamento e facilitam a aprendizagem. A robótica educacional também se destaca por associar programação a atividades práticas, promovendo desenvolvimento técnico, cognitivo e socioemocional. Além disso, linguagens em blocos, como Scratch e Blockly, favorecem a compreensão inicial dos conceitos ao reduzir a complexidade sintática e apoiar o foco na lógica algorítmica. Apesar dos avanços, limitações estruturais persistem, sobretudo em escolas com baixo acesso à tecnologia. Assim, políticas públicas, formação docente contínua e investimentos em infraestrutura são essenciais para ampliar a adoção dessas práticas e garantir um ensino inclusivo e de qualidade em algoritmos e programação.
- 27 February 2026
- Published by Sociedade Brasileira de Computação in Revista Eletrônica de Iniciação Científica em Computação
- Vol. 24, 89-98
Open AccessFerramentas educacionais para o ensino de programação no nível médio e em cursos técnicos: uma revisão integrativa
Ensinar programação em contextos educacionais ainda representa um desafio, marcado pela abstração conceitual, pela dificuldade de aplicar teoria na prática e pelo desinteresse dos estudantes. Habilidades como raciocínio lógico, resolução de problemas e pensamento computacional, muitas vezes pouco desenvolvidas nos anos iniciais, intensificam essas dificuldades. Esta revisão integrativa buscou identificar ferramentas e metodologias que favoreçam o ensino e a aprendizagem de algoritmos e programação, oferecendo subsídios para práticas pedagógicas mais eficazes. Foram analisados 1.024 estudos publicados entre 2019 e 2024, dos quais 20 atenderam aos critérios de seleção e apresentaram evidências relevantes. Os resultados indicam que estratégias como gamificação, plataformas interativas e jogos educacionais aumentam o engajamento e facilitam a aprendizagem. A robótica educacional também se destaca por associar programação a atividades práticas, promovendo desenvolvimento técnico, cognitivo e socioemocional. Além disso, linguagens em blocos, como Scratch e Blockly, favorecem a compreensão inicial dos conceitos ao reduzir a complexidade sintática e apoiar o foco na lógica algorítmica. Apesar dos avanços, limitações estruturais persistem, sobretudo em escolas com baixo acesso à tecnologia. Assim, políticas públicas, formação docente contínua e investimentos em infraestrutura são essenciais para ampliar a adoção dessas práticas e garantir um ensino inclusivo e de qualidade em algoritmos e programação.
- Open Access
- 14 April 2025
- Published by Sociedade Brasileira de Computação in Revista Eletrônica de Iniciação Científica em Computação
- Vol. 23, 24-29
Avaliação de Desempenho de Classificadores a Partir de Dados Relacionados à Precipitação Pluviométrica Coletados por Estação Meteorológica Automática
A previsão de precipitação é essencial para o planejamento e a gestão dos recursos hídricos, afetando áreas como agricultura, geração de energia, planejamento urbano e conservação da água. No caso da agricultura, essa previsão permite a coleta de dados precisos sobre a distribuição e quantidade das chuvas, otimizando o uso da água e aumentando a produtividade. Este estudo explora a aplicação de diferentes abordagens clássicas de aprendizado de máquina na previsão de precipitações, utilizando um conjunto de dados pluviométricos de Tianguá (CE), abrangendo etapas como pré-processamento, balanceamento de dados, avaliação de nove modelos diferentes e explicação local de um modelo. O objetivo é realizar uma análise comparativa do desempenho de algoritmos como Logistic Regression (LR), Naive Bayes (NB), Extra Tree (ET), Extreme Learning Machine (ELM), k-nearest neighbors (k-NN), Multilayer Perceptron (MLP), Random Forest (RF), Support Vector Machines (SVM) e um modelo ensemble. Além disso, foi aplicado o método Local Interpretable Model-Agnostic Explanations (LIME), visando identificar o modelo mais adequado e compreender os atributos que mais influenciam as classificações. Essa abordagem fornece insights valiosos para a melhoria da performance em estudos futuros, como a aplicação de técnicas de seleção de atributos. Entre os modelos testados, o ensemble baseado na votação majoritária de quatro algoritmos apresentou a melhor performance geral, com acurácia de 85% e excelente equilíbrio no F1-Score, tornando-o uma escolha robusta para aplicações que requerem previsões confiáveis. Embora o modelo NB tenha mostrado menor acurácia (76%), destacou-se pela alta precisão (91%), indicando que, quando previa chuva, quase sempre acertava, além de apresentar excelente sensibilidade para detectar ausência de precipitação (recall de 88%). Outros modelos registraram acurácia entre 83% e 84%, sendo alternativas viáveis conforme as necessidades específicas de cada aplicação. Ao explicar o modelo ET por meio do método LIME, a análise das dez primeiras predições do conjunto de teste apontou que as características mais influentes para prever chuvas incluíram umidade máxima e instantânea, além de temperatura mínima e instantânea, enquanto fatores como temperatura máxima e umidade mínima foram mais relevantes para prever a ausência de chuvas.
- 14 April 2025
- Published by Sociedade Brasileira de Computação in Revista Eletrônica de Iniciação Científica em Computação
- Vol. 23, 24-29
Open AccessAvaliação de Desempenho de Classificadores a Partir de Dados Relacionados à Precipitação Pluviométrica Coletados por Estação Meteorológica Automática
A previsão de precipitação é essencial para o planejamento e a gestão dos recursos hídricos, afetando áreas como agricultura, geração de energia, planejamento urbano e conservação da água. No caso da agricultura, essa previsão permite a coleta de dados precisos sobre a distribuição e quantidade das chuvas, otimizando o uso da água e aumentando a produtividade. Este estudo explora a aplicação de diferentes abordagens clássicas de aprendizado de máquina na previsão de precipitações, utilizando um conjunto de dados pluviométricos de Tianguá (CE), abrangendo etapas como pré-processamento, balanceamento de dados, avaliação de nove modelos diferentes e explicação local de um modelo. O objetivo é realizar uma análise comparativa do desempenho de algoritmos como Logistic Regression (LR), Naive Bayes (NB), Extra Tree (ET), Extreme Learning Machine (ELM), k-nearest neighbors (k-NN), Multilayer Perceptron (MLP), Random Forest (RF), Support Vector Machines (SVM) e um modelo ensemble. Além disso, foi aplicado o método Local Interpretable Model-Agnostic Explanations (LIME), visando identificar o modelo mais adequado e compreender os atributos que mais influenciam as classificações. Essa abordagem fornece insights valiosos para a melhoria da performance em estudos futuros, como a aplicação de técnicas de seleção de atributos. Entre os modelos testados, o ensemble baseado na votação majoritária de quatro algoritmos apresentou a melhor performance geral, com acurácia de 85% e excelente equilíbrio no F1-Score, tornando-o uma escolha robusta para aplicações que requerem previsões confiáveis. Embora o modelo NB tenha mostrado menor acurácia (76%), destacou-se pela alta precisão (91%), indicando que, quando previa chuva, quase sempre acertava, além de apresentar excelente sensibilidade para detectar ausência de precipitação (recall de 88%). Outros modelos registraram acurácia entre 83% e 84%, sendo alternativas viáveis conforme as necessidades específicas de cada aplicação. Ao explicar o modelo ET por meio do método LIME, a análise das dez primeiras predições do conjunto de teste apontou que as características mais influentes para prever chuvas incluíram umidade máxima e instantânea, além de temperatura mínima e instantânea, enquanto fatores como temperatura máxima e umidade mínima foram mais relevantes para prever a ausência de chuvas.